論文の概要: Sequence-to-Sequence Forecasting-aided State Estimation for Power Systems

• arxiv url: http://arxiv.org/abs/2305.13215v1
• Date: Mon, 22 May 2023 16:46:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 14:17:56.607339
• Title: Sequence-to-Sequence Forecasting-aided State Estimation for Power Systems
• Title（参考訳）: 電力系統の時系列予測支援状態推定
• Authors: Kamal Basulaiman, Masoud Barati
• Abstract要約: 本稿では,マルチステップの電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。 双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power system state forecasting has gained more attention in real-time operations recently. Unique challenges to energy systems are emerging with the massive deployment of renewable energy resources. As a result, power system state forecasting are becoming more crucial for monitoring, operating and securing modern power systems. This paper proposes an end-to-end deep learning framework to accurately predict multi-step power system state estimations in real-time. In our model, we employ a sequence-to-sequence framework to allow for multi-step forecasting. Bidirectional gated recurrent units (BiGRUs) are incorporated into the model to achieve high prediction accuracy. The dominant performance of our model is validated using real dataset. Experimental results show the superiority of our model in predictive power compared to existing alternatives.
• Abstract（参考訳）: 近年,電力系統の状態予測のリアルタイム化が注目されている。 再生可能エネルギー資源の大規模展開に伴い、エネルギーシステムに対するユニークな課題が生まれつつある。 その結果、現代の電力システムの監視、運用、確保において、電力系統の状態予測がより重要になっている。 本稿では,マルチステップ電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。 本モデルでは,マルチステップ予測が可能なシーケンス・ツー・シーケンス・フレームワークを用いる。 双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。 モデルの性能は実データを用いて検証される。 実験の結果,既存モデルに比べて予測力に優れたモデルが得られた。

関連論文リスト

• Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
  本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。 動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。 提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
  論文  参考訳（メタデータ） (2024-08-08T08:33:02Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Deep Generative Methods for Producing Forecast Trajectories in Power Systems [0.0]
  トランスポート・システム・オペレーター(TSO)は、将来の電力系統の機能をシミュレートするための分析を行う必要がある。 これらのシミュレーションは意思決定プロセスの入力として使用される。
  論文  参考訳（メタデータ） (2023-09-26T14:43:01Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention [0.0]
  本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。 提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。 その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-06T17:20:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。